Collaborative Autonomous Driving—A Survey of Solution Approaches and Future Challenges

2.1 协同驾驶

自动驾驶汽车的感知能力有限，交通事故，安全性差，整体交通效率。

协同自动驾驶系统利用车辆间通信（IVC）或路车间通信（RVC），与相邻车辆共享车载传感器信息，从路边基础设施获取更多交通状况信息，以做出最优的联合驾驶决策，通过相互协作来降低成本。

协同驾驶系统

• 车辆控制层从传感系统和执行系统中获取输入，检测车辆的状态和周围的交通状态，并输出到车辆管理层以获得车辆转向和速度，激活横向和纵向致动器。
• 车辆管理层负责利用控制层的数据，通过与相邻车辆的IVC和交通控制层的路车通信获得的数据，确定协同驾驶约束下每辆车的moment。
• 交通控制层由两部分组成：物理和逻辑。 物理部分由交通信号、标志牌和路边通讯组成，而逻辑部分则涉及社会法律、规则。 最终，该层与管理层中的每辆车传递交通信息，以保持协调并执行操作。

协同类型

• 集中协调：leading车辆负责所有车辆的机动的计划、协调和同步。文献将集中式协调策略分为两种变体：领导者-追随者和虚拟领导者方法。
• 分散协调：这允许车辆直接与所有邻近的车辆进行通信，这些车辆可以访问旨在计划机动的局部信息（受通信范围限制）。
• 分散而不协调Decentralized without Coordination：车辆可以观察附近的其他车辆而没有交换信息的潜力。每辆车都可以通过考虑道路使用者的行为来单独规划。

车辆间的协作类型

1. 命令式协作：必须相互协作
2. 自愿协作：可以根据用例场景进行协作。
3. 混合协作：这是（命令式和自愿式）两种类型的组合，允许在一定时期或距离内强制行驶并自愿结束协作。

3.1 协同驾驶场景

3.1.1 协同智能停车场

车流量的激增使得难以找到合适的停车位，导致交通拥堵和空气污染问题。
智能停车系统分为六类：停车预订系统、停车引导和信息系统、智能交通系统中的众包、集中辅助停车搜索、基于代理的引导系统和电动汽车停车系统。

3.1.2 变道和并道

协同变道

1. 基于 V2V 的协同变道：考虑周围车辆的信息来规划轨迹，以提高变道时的安全性。
2. 利用强化学习来实现联网车辆的合作变道方法：在设置奖励函数时，考虑了两个因素：单个车辆造成的延误和路段的交通效率。

协同车道合并

• 深度学习方法：交通协调器向车辆提供轨迹推荐，利用机器学习算法和数据分析算法，以确定联网车辆 (CV) 是否成功执行了车道合并操作。
• 基于时隙（时隙：两辆车之间的自由区域）的方法： (i) 确定目标车道中的合并可用性； (ii) 考虑动作的可行性，寻找合并加速度的最佳槽。这种方法仅根据当前状态做出决策，而忽略历史数据，从而导致失败。

3.1.3 协同路口管理

• 有信号灯交叉口：有交通信号灯，车辆通过交通信号灯来提高道路安全和效率。允许车辆与基础设施进行通信和交换各种信息。
• 无信号灯交叉口：由让路、停车标志组成，有时甚至可能根本没有标志。通过交叉路口管理的全局视图来帮助驾驶员做出最佳决策。

3.2 车辆编队

车辆编队有助于改善道路安全、减少燃料消耗、减少二氧化碳排放、道路吞吐量、资产利用和劳动力成本等。

车辆列队行驶：在同一车道上以较小的车辆间距，以相同速度驾驶的一组车辆。车辆通过激光雷达虚拟连接，并通过无线通信技术相互通信。LV控制行驶方向，跟随车辆（FV）根据领头车辆（LV）的动作自动地制动、转向和减速。PL也可以根据 FV 的响应来调整自己的速度和位置。

3.2.1 platoon leader的选择

领头车在车辆编队中发挥重要作用:
1.通过与跟随车辆传输信息，负责编队、合并和拆分队列等任务。
2.负责确定队列的加速度、车距和方向，并以恒定的时间间隔 (t) 与后车份享这些信息，以保持队列的稳定性。
3.不断地了解和控制前方交通状况，与基础设施通信，并与跟随车辆交换信息。
其行动和决策影响整个队列的安全和稳定性，为队列选择最合适和值得信赖的领头车相当重要。

platoon leader的选择用例场景：

1. 首次组队时选举PL。
2. 当两个队列合并时选举PL：在同一车道上行驶的两个不同长度的队列合并时，需要重新选出合适的领头车辆。
3. 队列拆分时选举PL：一旦PL确认了分队的请求，队列拆分成两个或多个子队，同时继续向其预定目的地行驶，就必须选出一个新的PL来负责分队的领导角色和职责。
4. 加入新车辆时选举PL：根据新车的特点征得所有车辆的共识，重新选举新的PL，因为新增加的车辆有可能更适合PL。但是，这种用例可能效率低下，因为车辆每次都必须经历领导者选举的整个过程，这是一种时间和资源的浪费。
5. 队列解散时选举PL：在队列行驶途中，有时由于恶劣的环境条件、PL的技术问题、临时的交通状况，导致队列解散。在这种情况下，必须重新选举PL，使队列车辆保持并获取队列行驶的最大利益。
6. 在PL停止操纵时选举PL：当PL停止操纵时，车辆队列需要重新选举PL。PL停止操纵发生在两种场景中：1）当PL到达目的地并提出离开请求时；2）由于技术故障，PL可能无法操纵。因此PL无法继续履行领导者的角色和职责，必须重新选举PL继续队列行驶。

3.2.2 解决方法和挑战

领头车辆选举方法分类

基于算法的方法通过开发不同算法来选举领头车。
基于协议的方法要么实施新协议，要么改进以前的协议以选出合适的领头车辆。
基于模拟和数值的方法通过提出不同的模拟和数学模型来选举值得信赖的领头车辆。

platoon leader选择仍然存在的挑战

• 如果车辆队列是重型机动车辆（卡车）和轻型机动车辆（汽车）的混合列，如何在混合车辆队列中选择合适的领头车辆？
• 如果队列可以由多个不同品牌的车辆组成，需要考虑各个品牌公司是否会同意合作并相互交换他们的机密信息以即时选举PL，以开发一种通用机制来选出合适的PL？
• 当FV增加时，是否需要寻找新的无线通信技术来保持队列的稳定性？或者可以通过提出一个虚拟领导者来解决这个挑战。为队列选择虚拟领导者应考虑哪些特征和参数？
• 如何开发一个好的系统可以模拟车辆的特性（燃油量、轮胎压力、里程和保险状况），考虑车辆特征是否对领头车辆选举的适用性有影响，同时选出领头车辆。
• 确定PL的可信度应考虑哪些关键因素？如何保证队列中的每个车辆的利益公平和平等分配？

4. 挑战和未来建议

1. Cooperative Decision-Making：很少研究关注如何帮助车辆决定何时何地应该协作。
2. 通用的协同驾驶系统框架：协同驾驶在某个特定的场景下（即队列行驶、交叉路口、车道变换和合并）引导车辆如何协作已经取得了许多成功，道路交通涉及大量不同的场景，不可能通过特定的单一方法来处理。
3. 多目标优化：现有的协同驾驶方法只考虑整体目标（避免碰撞或交通效率），而没有考虑个体偏好。需要开发多目标学习框架，以激励促进车辆协同驾驶降低成本。
4. 协作规模：车辆通常在附近寻求合作，为了实现合作的潜在利益，车辆协作的最小数量应该是多少？车辆能否在局部（即某些公里）和全局层面（即地区层面）进行协作？如何预测更大规模协作的好处？
5. Heterogeneous Cooperation：车辆交通是heterogeneous（即重型车辆、小汽车）和多品牌（即宝马、特斯拉）自动驾驶汽车。 这些车辆可能具有不同的约束条件，开发使heterogeneous车辆能够相互协作的驾驶系统是极具挑战性的，另一个挑战是各个品牌是否同意与竞争对手合作和共享信息。
6. 信息共享和数据格式：通过融合来自不同来源的信息来感知车辆周围环境是一项重大的挑战。需要考虑：车辆应共享哪些信息以进行合作，是否在所有协作场景中共享相似的信息？他们应该多久发布一次信息？信息以哪种数据格式共享？发送代理是否对信息本身进行预处理并转发输出，还是接收代理必须这样做？
7. 通信和控制策略：哪种控制策略在每种协同场景中最好？是否可以使用混合控制策略开发系统？
8. 混合交通：对混合交通设置的关注较少，现有研究在假设与手动车辆的交互可以忽略不计的情况下进行建模。联网自动驾驶汽车(CAV) 如何与其他手动车辆共存？是否需要为协同自动驾驶车辆和手动车辆创建单独的标记和车道？
9. 合作质量：现存文献较少关注如何衡量和评价合作质量。建议开发协同排名系统，使车辆能够对他们的合作经验进行排名，以便下一次车辆可以使用之前的动作做出新的决定。
10. 自私行为和欺骗检测：在 协同驾驶中，有时车辆可能会表现得自私，参与合作只希望降低自己的成本而让其余车辆蒙受损失。他们利用其他车辆提供的外部信息从合作中受益，但不与其他车辆分享信息。需要开发更复杂的算法来检测自私行为，并且需要认证共享信息的真实性。
11. 标准、法律和规则：实现协同驾驶需要车辆使用相同的语言，以共享信息并做出共同决策。然而，没有标准的协议来在车辆之间传播决策信息以实现协同驾驶。另外各国实施的交通法不同，挑战在于如何对联网车辆进行编程，使其能够安全地应对这些不确定情况。